上周参加一个汽配行业的饭局，散场时做零部件加工的曹总把我堵在电梯口，一口气问了七个问题：我们这种小厂到底要不要上生产管理系统？跟ERP是什么关系？要花多少钱？上线会不会停产？AI能不能替我排产？车间老师傅不肯用怎么办？上了之后怎么知道是白买还是真值？我说您这七个问题，正好是我今年被问得最频繁的一组，干脆写出来，按饭局的顺序一次说清。
Q1：年营收几千万的小厂，到底要不要上？
先看一组数字。《中国制造业SaaS使用指数》的统计显示，仍有61.4%的营收5000万以下制造企业没有部署标准化的车间执行系统——派工靠喊、进度靠问、统计靠月底补Excel。行业调研同时显示，这类未上线的小型加工厂，平均订单准时交付率只有72.3%左右，设备综合效率OEE均值不足65%，物料综合损耗率长期在8%上下。
我的判断标准就一句话：如果延期、超耗、对不上账这三件事已经从偶发变成了常态，那就不是要不要上的问题，只是早晚和方式的问题。
Q2：生产管理系统、ERP、进销存，到底怎么分工？
这是被问乱频率最高的一题，直接上表：
| 系统 | 管什么 | 回答的问题 |
|---|---|---|
| 进销存 | 库存的进出与账实 | 仓库里还剩多少、账对不对 |
| ERP | 订单、采购、财务与资源计划 | 该做什么、花了多少钱 |
| 生产管理系统（MES类） | 工单、工序、工时、质量 | 正在怎么做、做得怎么样 |
一句话：ERP管的是钱和计划，生产管理系统管的是车间里正在发生的动作。别指望一套ERP把车间管明白，也别指望MES替你记账——分工不清，是很多工厂系统买重、买贵的起点。
Q3：要花多少钱？钱到底去哪了？
报价单上的数字只是小头，按2026年市场公开报价的普遍区间，中小工厂的生产管理系统有两条主流路径：轻量SaaS按年订阅，每年几万元量级；重型私有化部署动辄数十万起步。但真正决定总账的是报价之外的几项：
- 数据整理：BOM、工艺路线、工序工价的梳理录入，往往吃掉总投入的三分之一；
- 硬件：扫码枪、工位平板、看板屏，看车间规模，几千到几万；
- 内部工时：培训、试运行、反复调整，这笔钱不在发票上，但在工资表里；
- 接口与二开：和已有ERP、财务软件打通的费用，签约前务必问清。
建议签约前把数据整理和培训写进实施计划里，否则超支几乎必然发生在你没想到的地方。
Q4：上线要多久？会不会影响正常生产？
分步走，就不停产。行业里有个不错的参照：苏州一家注塑小厂用8周时间只跑通了注塑车间的排产模块，人力排程工时下降了76%（行业案例公开数据）。正确姿势是第一个月只上一个车间、一条产线，纸面单据和系统双轨并行一至两个月，跑顺了再铺全厂。反过来，凡是承诺『三天全厂上线』的和把实施周期拖到一年以上的，都值得多问一句为什么。
Q5：AI到底能不能替我排产？——这可能是今年最贵的问题
先讲个真实案例。长三角一家汽车零部件厂花了300万上一套AI排产系统，Demo相当惊艳：计划达成率从65%算到92%。老板当场拍板全厂推广。第三个月，管理层对排产方案的否决率到了87%——系统不知道周末换模具要四个小时，不知道紧急插单进来物料还没到；那些写在老师傅脑子里、从未被数字化的经验，AI根本不了解。第六个月，系统下线，300万打水漂，车间回到Excel。
这不是孤例。MIT《The GenAI Divide》调研显示，95%的制造企业AI试点项目最终没有产生可衡量的回报；行业抽样统计里，83%的排产优化失败根源不在算法，而在BOM漏项、工艺参数空缺这类基础数据失真——输入是垃圾，输出只会是更精致的垃圾。
AI不是不能进车间，是进车间的顺序错了：先有结构化的现场数据，再谈智能决策。
Q6：车间师傅年纪大、不肯用，怎么办？
三个动作，比任何动员大会都管用：
- 把要填的东西减到最少：扫码代替手输，语音代替打字，一天多填三张表的系统必死；
- 设一个『工艺翻译官』：行业经验是由老机修、质检组长加计划员组成三人小组，把老师傅口述的经验翻译成系统里可校验的规则——没有这个角色，九成项目会在三个月内变成『系统在跑、人在绕行』；
- 把系统的产出还给工人：计件工资当天算得清、对账不再扯皮，师傅觉得有用，才会真的用。
Q7：上线之后，怎么判断有没有白买？
给你一张六个月检查清单，逐条打勾：
- 报工数据是不是当天就有，而不是月底补录；
- 交期达成率、超耗率、返工率这三个数，能不能一键拉出来；
- 系统里的库存数和车间实物，随机抽查对不对得上；
- 除了财务对账，车间的人是否还在主动打开它。
行业里有个扎心的口径：相当比例的工业数字化项目上线半年就闲置废弃。但反过来看，跑通的企业通常能拿到设备OEE提升5至8个百分点的改善（轻量级系统落地统计口径）。差距不在系统贵不贵，在有没有人盯着这几个指标。
支道怎么解：数据底座和AI，得长在同一张底座上
看到这里你会发现，Q5和Q6的答案其实是同一件事：车间数字化卡壳，卡在数据和人是两张皮。这也是我们做支道时反复验证的一条路径——先用低代码把报工、领料、质检这些现场动作搭成结构化的表单和流程，让数据从产生那一刻就落在同一张底座上，而不是先买一堆系统再回头做接口；然后AI在这张底座上做它擅长的事：语音报工自动转记录、异常数据主动提醒、把老师傅口述的工艺规则变成可校验的约束条件。人在环上做最后判断，AI管整理和提醒，不替你拍板。预算有限的中小工厂，先让数据长在一起，再让AI干活——这两步顺序反了，就是Q5里那300万的下场。
回到曹总的七个问题，答案其实就三句话：账算得过来的就该上，但按车间为单位分步走；钱的大头不在软件，在数据和人；AI很好，但要等数据先就位。2026年了，生产管理的数字化早已不是选择题，可怎么做对，依然是一门手艺活。
